forked from biblat/Biblat
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathclaper_extract.py
506 lines (467 loc) · 22.2 KB
/
claper_extract.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
#!/usr/bin/python
# -*- coding: utf-8 -*-
import re
import json
import argparse
from pprint import pprint, pformat
from progressbar import *
import subprocess
from slugify import slugify
from datetime import datetime
import pymongo
from pymongo import MongoClient
from collections import OrderedDict
from bson import BSON
from bson.son import SON
from bson.codec_options import CodecOptions
client = MongoClient('localhost', 27017)
db = client.biblat
articulo = db.articulo.with_options(codec_options=CodecOptions(document_class=OrderedDict))
cat_history = db.cat_history.with_options(codec_options=CodecOptions(document_class=OrderedDict))
db2 = client.biblat_old
articulo2 = db2.articulo.with_options(codec_options=CodecOptions(document_class=OrderedDict))
cat_history2 = db2.cat_history.with_options(codec_options=CodecOptions(document_class=OrderedDict))
parser = argparse.ArgumentParser()
parser.add_argument('-range', action='store_true', default=False, dest='scielo_range', help='Print scielo range list')
parser.add_argument('-noclase', action='store_false', default=True, dest='clase', help='No parse clase db')
parser.add_argument('-noperiodica', action='store_false', default=True, dest='periodica', help='No parse periodica db')
parser.add_argument('-scielo', action='store_true', default=False, dest='scielo', help='Parse sciel rage in periodica')
arguments = parser.parse_args()
'''Inicializando variables para almacenar las etiquetas del registro y el registro actual'''
pbar = None
progress = 0
registro = OrderedDict()
registro_marc = OrderedDict()
current = ""
tags = ['008', '022', '024', '035', '036', '039', '041', '100', '110', '120', '222', '245', '260', '300', '504', '520', '546', '590', '650', '653', '654', '698', '856', 'CAT']
json_tags = ('100', '110', '120', '300', '520', '590')
tags_article = [
('sistema', '035'),
('revista', '222'),
('titulo', '245'),
('issn', '022'),
('doi', '024'),
('paisRevista', '008'),
('fechaIngreso', '036'),
('idioma', '041'),
('anioRevista', '260'),
('descripcionBibliografica', '300'),
('resumen', '520'),
('idiomaResumen', '546'),
('documento', '590'),
('disciplinaRevista', '698'),
('disciplinas', '650'),
('palabraClave', '653'),
('keyword', '654'),
('url', '856')
]
fields_author = [
('nombre', 'a'),
('email', '6'),
('institucionId', 'z')
]
fields_institution = [
('id', 'z'),
('institucion', 'u'),
('dependencia', 'v'),
('ciudad', 'w'),
('pais', 'x')
]
fields_catalogador = [
('nombre', 'a'),
('nivel', 'b'),
('fechaEdicion', 'c'),
('horaEdicion', 'h')
]
len_tags = len(tags)
'''Patrones compilados'''
recordPattern = re.compile(r'(^[0-9]{9})\s([0-9]{3}|CAT).{3}L\s(.+?$)')
elValPattern = re.compile(r'(.)(.*?$)')
quotePattern = re.compile(r"'")
bslashPattern = re.compile(r"\\")
secuencePattern = re.compile(r"^\(([0-9]+?)\)$")
'''Abrimos archivos para guradar los resultados'''
detalles = open('./database/claperDetalles.txt', 'w')
fClaPerJSON = open('./database/claperJSON.txt', 'w')
fArticle = open('./database/articuloCLAPER.txt', 'w')
fAuthor = open('./database/autorCLAPER.txt', 'w')
fInstitution = open('./database/institucionCLAPER.txt', 'w')
fCatalogador = open('./database/catalogadorCLAPER.txt', 'w')
'''Abrimos archivos para guradar los resultados SIIA'''
fArticleSIIA = open('./database/articuloCLAPER-SIIA.txt', 'w')
fAuthorSIIA = open('./database/autorCLAPER-SIIA.txt', 'w')
fInstitutionSIIA = open('./database/institucionCLAPER-SIIA.txt', 'w')
fCatalogadorSIIA = open('./database/catalogadorCLAPER-SIIA.txt', 'w')
fArticleSIIADiff = open('./database/articuloCLAPER-SIIA.diff', 'w')
fAuthorSIIADiff = open('./database/autorCLAPER-SIIA.diff', 'w')
fInstitutionSIIADiff = open('./database/institucionCLAPER-SIIA.diff', 'w')
fCatalogadorSIIADiff = open('./database/catalogadorCLAPER-SIIA.diff', 'w')
fArticleSIIANew = open('./database/articuloCLAPER-SIIA.new', 'w')
fAuthorSIIANew = open('./database/autorCLAPER-SIIA.new', 'w')
fInstitutionSIIANew = open('./database/institucionCLAPER-SIIA.new', 'w')
fCatalogadorSIIANew = open('./database/catalogadorCLAPER-SIIA.new', 'w')
def monthdelta(date, delta):
m, y = (date.month+delta) % 12, date.year + ((date.month)+delta-1) // 12
if not m: m = 12
d = min(date.day, [31,
29 if y%4==0 and not y%400==0 else 28,31,30,31,30,31,31,30,31,30,31][m-1])
return date.replace(day=d,month=m, year=y)
NOW = datetime.now()
DIFF_DATE = monthdelta(datetime.strptime('%d%02d%02d' % (NOW.year, NOW.month, 1), "%Y%m%d"), -1)
# DIFF_DATE = datetime.strptime('%d%02d%02d' % (NOW.year, NOW.month-2, 1), "%Y%m%d")
# print DIFF_DATE
# exit()
def biblat_make_index():
articulo.create_index([("008.e", pymongo.ASCENDING)])
articulo.create_index([("022.a", pymongo.ASCENDING)])
articulo.create_index([("222.a", pymongo.ASCENDING)])
articulo.create_index([("120.a", pymongo.ASCENDING)])
articulo.create_index([("120.x", pymongo.ASCENDING)])
def duplicate_aff(tag, compare):
'''Funcion para comparar la afiliación del autor esta duplicada'''
del compare['z']
for afiliation in tag:
if 'z' in afiliation:
del afiliation['z']
print cmp(afiliation, compare)
if cmp(afiliation, compare) == 0:
return True
return False
def add_record():
'''Funcion para agregar el registro'''
global registro, registro_marc, pbar, progress
procesar_siia = False
# pprint(registro)
# print "≠" * 80
# pprint(registro_marc)
# raw_input("Press Enter to continue...")
csv = ""
'''Ajustamos los autores con su institución'''
if '100' in registro and '120' in registro and '120in100' in registro and len(registro['100']) > 1:
if len(registro['100']) == len(registro['120']) or len(registro['100']) < len(registro['120']):
for i in range(0, len(registro['100'])):
registro['100'][i].update({'z': '(%d)' % (i+1)})
elif len(registro['100']) > len(registro['120']):
registro['100'][0].update({'z': '(1)'})
del registro['120in100']
'''Verificamos si hay registros de la UNAM'''
if '120' in registro:
for institucion in registro['120']:
if 'u' in institucion and slugify(institucion['u']) == "universidad-nacional-autonoma-de-mexico":
procesar_siia = True
break
'''Asignamos la fecha de actualización'''
last_update = registro['CAT'][-1]
create_date = registro['CAT'][0]
last_update = datetime(int(last_update['c'][:4]), int(last_update['c'][4:6]), int(last_update['c'][6:]), int(last_update['h'][:2]), int(last_update['h'][2:4]), int(last_update['h'][4:] or 0))
create_date = datetime(int(create_date['c'][:4]), int(create_date['c'][4:6]), int(create_date['c'][6:]), int(create_date['h'][:2]), int(create_date['h'][2:4]), int(create_date['h'][4:] or 0))
registro_marc['created_at'] = create_date
registro_marc['updated_at'] = last_update
'''Agregamos los registros de documentos'''
tag_offset = 1
len_fields = len(tags_article)
for key, tag in tags_article:
if tag in registro:
'''Si el tamaño de la etiqueta es > 1 asignamos el primer elemento de la lista a la etiqueta'''
if len(registro[tag]) > 1 and tag not in ('100', '110', '120', '520', '650', '653', '654', '856'):
detalle = {'035': registro['035'], tag: registro[tag]}
for line in registro[tag]:
detalles.write('%s %s L $$a%s\n' % (registro['035'], tag, line))
if len(registro[tag]) == 2:
if all(key in registro[tag] for key in ['Español', 'Inglés']):
detalles.write('%s %s L $$aEspañol, inglés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Español', 'Francés']):
detalles.write('%s %s L $$aEspañol, francés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Español', 'Portugués']):
detalles.write('%s %s L $$aEspañol, portugués\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Inglés', 'Portugués']):
detalles.write('%s %s L $$aPortugués, inglés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Inglés', 'Francés']):
detalles.write('%s %s L $$aInglés, francés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Portugués', 'Francés']):
detalles.write('%s %s L $$aPortugués, francés\n' % (registro['035'], tag))
else:
'''detalles.write(pformat(detalle) + "\n")'''
elif len(registro[tag]) == 3:
if all(key in registro[tag] for key in ['Español', 'Inglés', 'Portugués']):
detalles.write('%s %s L $$aEspañol, portugués, inglés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Español', 'Inglés', 'Francés']):
detalles.write('%s %s L $$aEspañol, inglés, francés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Español', 'Portugués', 'Francés']):
detalles.write('%s %s L $$aEspañol, portugués, francés\n' % (registro['035'], tag))
elif all(key in registro[tag] for key in ['Inglés', 'Portugués', 'Francés']):
detalles.write('%s %s L $$aPortugués, inglés, francés\n' % (registro['035'], tag))
else:
'''detalles.write(pformat(detalle) + "\n")'''
else:
'''detalles.write(pformat(detalle) + "\n")'''
'''detalles.write(str(registro['035']) + " " + str(tag) + "\n")'''
if len(registro[tag]) == 1 and tag not in ('100', '110', '120', '520', '650', '653', '654', '856'):
registro[tag] = registro[tag].pop()
# if tag not in ['245']:
# registro_marc[tag] = registro_marc[tag].pop()
if type(registro[tag]) in [type({}), type([])]:
csv += "'%s'" % quotePattern.sub(r"\\'", bslashPattern.sub(r"\\\\", json.dumps(registro[tag], ensure_ascii=True, sort_keys=True)))
else:
csv += "'%s'" % quotePattern.sub("\\'", registro[tag])
else:
csv += "NULL"
if tag_offset < len_fields:
csv += ","
tag_offset += 1
'''Transformamos el diccionario en JSON'''
'''jsonResult = re.sub(r"\\\\\\", "\\\\", json.dumps(registro, ensure_ascii=False, sort_keys=True))'''
'''Almacenamos la cadena csv en el archivo'''
fArticle.write(csv + "\n")
if procesar_siia:
fArticleSIIA.write(csv + "\n")
if last_update >= DIFF_DATE:
fArticleSIIADiff.write(csv + "\n")
if create_date >= DIFF_DATE:
fArticleSIIANew.write(csv + "\n")
csv = None
'''Agregamos los registros de autores'''
len_fields = len(fields_author)
if '100' in registro:
for counter, autor in enumerate(registro['100']):
csv = "'%s','%d'," % (registro['035'], counter+1)
tag_offset = 1
for field, tag in fields_author:
if tag in autor:
csv += "'%s'" % secuencePattern.sub(r"\1", quotePattern.sub("\\'", autor[tag]))
else:
csv += "NULL"
if tag_offset < len_fields:
csv += ","
tag_offset += 1
fAuthor.write(csv + "\n")
if procesar_siia:
fAuthorSIIA.write(csv + "\n")
if last_update >= DIFF_DATE:
fAuthorSIIADiff.write(csv + "\n")
if create_date >= DIFF_DATE:
fAuthorSIIANew.write(csv + "\n")
'''Agregamos los registros de instituciones'''
len_fields = len(fields_institution)
if '120' in registro:
for institucion in registro['120']:
csv = "'%s'," % registro['035']
tag_offset = 1
for field, tag in fields_institution:
if tag in institucion:
csv += "'%s'" % secuencePattern.sub(r"\1", quotePattern.sub("\\'", institucion[tag]))
else:
csv += "NULL"
if tag_offset < len_fields:
csv += ","
tag_offset += 1
fInstitution.write(csv + "\n")
if procesar_siia:
fInstitutionSIIA.write(csv + "\n")
if last_update >= DIFF_DATE:
fInstitutionSIIADiff.write(csv + "\n")
if create_date >= DIFF_DATE:
fInstitutionSIIANew.write(csv + "\n")
'''Agregamos el registro del catalogador'''
len_fields = len(fields_catalogador)
if 'CAT' in registro:
for i, catalogador in enumerate(registro['CAT']):
csv = "'%s','%d'," % (registro['035'], i+1)
tag_offset = 1
for field, tag in fields_catalogador:
if tag not in catalogador:
if tag == 'a':
catalogador[tag] = 'ALEPH'
if tag == 'b':
catalogador[tag] = '00'
if tag == 'h':
catalogador[tag] = '%s00' % catalogador[tag]
if tag in catalogador:
csv += "'%s'" % quotePattern.sub("\\'", catalogador[tag])
else:
csv += "NULL"
if tag_offset < len_fields:
csv += ","
tag_offset += 1
fCatalogador.write(csv + "\n")
if procesar_siia:
fCatalogadorSIIA.write(csv + "\n")
if last_update >= DIFF_DATE:
fCatalogadorSIIADiff.write(csv + "\n")
if create_date >= DIFF_DATE:
fCatalogadorSIIANew.write(csv + "\n")
# pprint(registro)
registro_cat = registro_marc['CAT']
del(registro_marc['CAT'])
registro_cat2 = registro['CAT']
del(registro['CAT'])
#para actualizar se debe hacer por un periodo de tiempo...
try:
registro['_id'] = registro['035']
registro_marc['_id'] = registro_marc['035'][0]['a']
# articulo_id = articulo.replace_one(
# {'035': registro['035']},
# registro,
# upsert=True
# ).upserted_id
# articulo_id = articulo.insert_one(registro_marc).inserted_id
# articulo_id2 = articulo2.insert_one(registro).inserted_id
except Exception as e:
pprint(registro_marc)
raise e
try:
# cat_history_id = cat_history.replace_one(
# {'articulo_id': articulo_id},
# {'articulo_id': articulo_id, 'CAT': registro_cat},
# upsert=True
# ).upserted_id
db = ''
for i, cat in enumerate(registro_cat):
db = cat['l']
cat['date'] = datetime(int(cat['c'][:4]), int(cat['c'][4:6]), int(cat['c'][6:]), int(cat['h'][:2]), int(cat['h'][2:4]), int(cat['h'][4:] or 0))
del(cat['c'])
del(cat['h'])
del(cat['l'])
registro_cat[i] = cat
# pprint(registro_cat)
# raw_input("Press Enter to continue...")
# cat_history_id = cat_history.insert_one({'articulo_id': articulo_id, 'db': db, 'CAT': registro_cat}).inserted_id
# cat_history_id = cat_history2.insert_one({'articulo_id': articulo_id2, 'db': db, 'CAT': registro_cat2}).inserted_id
except Exception as e:
pprint(registro_cat)
raise e
# registro_json = json.dumps(registro)
# pprint(registro_json)
# print('=' * 80)
# find_result = json.dumps(list(articulo.find({'035': registro['035']}, {'_id': 0}))[0])
# pprint(find_result)
# print('=' * 80)
# print(find_result==registro_json)
# raw_input("Press Enter to continue...")
registro = OrderedDict()
registro_marc = OrderedDict()
progress += 1
pbar.update(progress)
def parse_database(database):
'''Abrimos el archivo con que contiene el resultado de p_print_03 de aleph'''
global registro, current, tags, len_tags
'''Inicializamos el valor de la secuencia z para la etiqueta 120'''
z = 0
last_tag = ''
with open(database, 'r') as file:
'''Leemos cada linea del archivo'''
for line in file:
'''Eliminamos el salto de linea al final de la cadena'''
line = line.strip()
'''Si es la ultima linea agregamos el registro'''
if line == "EOF":
add_record()
current = ""
return
'''Con una expresion regular separamos cada linea en sitema, etiqueta y valor'''
result = recordPattern.match(line)
'''Si existe el patron en la linea la procesamos'''
if result:
sistema = result.group(1)
etiqueta = result.group(2)
valor = result.group(3)
'''Evaluamos si es un registro diferente para agregar el registro'''
if current != "" and sistema != current:
z = 0
last_tag = ''
add_record()
'''Asignamos el valor del registro actual'''
current = sistema
'''Inicializamos un diccionario para almacenar los elementos de la etiqueta'''
subtags = {}
subtag = {}
'''Dividimos cada elemento del valor correspondiente a la etiqueta'''
for element in valor.split('$$')[1:]:
'''Con una expresion regular separamos el elmento de su valor'''
result_tag = elValPattern.match(element)
'''Si existe el patron y tiene un valor agregamos el elemento y su valor al diccionario'''
if result and result_tag.group(2) != '':
subtag_key = result_tag.group(1)
subtag_val = re.sub("[.,]$", "", result_tag.group(2))
if etiqueta == '100' and subtag_key in subtag and secuencePattern.match(subtag_val) is not None:
# TODO: Add to error log
subtag_key = 'z'
subtag.update({subtag_key: subtag_val})
'''Incrementamos el valor de z cuando existe en la etiqueta 120'''
if etiqueta == '120':
z += 1
subtag.update({'z': '(%d)' % z})
'''Ajustamos el valor de la etiqueta 120 cuando esta dentro de la etiqueta 100'''
if etiqueta == '100' and any(key in subtag for key in ['u', 'v', 'w', 'x']) and any(key in subtag for key in ['a', '6']):
'''pprint(current)
pprint(subtag)'''
z += 1
subtag.update({'z': '(%d)' % z})
subtags['100'] = dict((k, subtag[k]) for k in ['a', '6', 'z'] if k in subtag)
subtags['120'] = dict((k, subtag[k]) for k in ['u', 'v', 'w', 'x', 'z'] if k in subtag)
registro['120in100'] = True
registro_marc['120in100'] = True
'''pprint(subtags)
raw_input("Press Enter to continue...")'''
elif etiqueta == '100' and any(key in subtag for key in ['u', 'v', 'w', 'x']):
z += 1
subtag.update({'z': '(%d)' % z})
subtags['120'] = subtag
registro['120in100'] = True
registro_marc['120in100'] = True
elif etiqueta == 'CAT':
#if 'a' in subtag and etiqueta not in registro:
# subtags[etiqueta] = subtag
subtags[etiqueta] = subtag
elif len(subtag) > 0:
subtags[etiqueta] = subtag
for etiqueta, subtag in subtags.iteritems():
subtag_marc = subtag
'''Si el tamanio del diccionario es de 1 almacenamos el valor del elemenro en la etiqueta'''
if len(subtag) == 1 and etiqueta not in json_tags:
subtag = subtag.itervalues().next()
'''Si la etiqueta no esta en el diccionario del registro inicializamos una lista'''
if etiqueta not in registro and etiqueta != "520":
registro[etiqueta] = []
registro_marc[etiqueta] = []
elif etiqueta not in registro and etiqueta == "520":
registro[etiqueta] = {}
registro_marc[etiqueta] = {}
'''Agregamos el valor de la etiqueta'''
if etiqueta == "520":
registro[etiqueta].update(subtag)
registro_marc[etiqueta].update(subtag_marc)
else:
registro[etiqueta].append(subtag)
registro_marc[etiqueta].append(subtag_marc)
'''Asignamos el valor de la última etiqueta agregada'''
last_tag = etiqueta
def set_progress(path, dlib):
global pbar, progress
progress = 0
widgets = ['Parsing %-9s: ' % dlib, Percentage(), ' ', Bar(), ' ', ETA(), ' ', ' ']
tail = subprocess.Popen(["tail", "-1", path],
shell=False,
stdout=subprocess.PIPE,
stderr=subprocess.PIPE)
result = tail.stdout.readlines()
registros = int(result[0])
if pbar is not None:
pbar.finish()
pbar = ProgressBar(widgets=widgets, maxval=registros).start()
print arguments
biblat_make_index()
if arguments.clase:
path = './database/cla01_valid.txt'
set_progress(path, "CLASE")
parse_database(path)
if arguments.periodica:
path = './database/per01_valid.txt'
set_progress(path, "PERIODICA")
parse_database(path)
if arguments.scielo:
dlib = "SciELO"
path = './database/scielo_valid.txt'
set_progress(path, "SciELO")
parse_database(path)
print sorted(tags)